权重的赫米特可变投影网络用于分类视觉唤起的潜力

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 脑后皮层对视觉刺激的反应,视觉唤起潜力 (VEP),是一种非侵入性诊断工具.
• VEP信号是从电脑电图 (EEG) 活动中提取出来的,无论意识或注意力如何,都能提供洞察力.
• 目前的VEP分析可以通过结合领域知识和先进的计算方法来增强.

研究的目的:

• 开发一个可训练的VEP表示,以解开潜在的数据因素.
• 集成域名知识使用参数化Hermite函数用于VEP模式变化.
• 将VEP信号分析与机器学习融合在一起,以提高诊断和监控能力.

主要方法:

• 建议使用参数化Hermite函数进行可训练的VEP表示.
• 引入了一个可微分变量投影 (VP) 层,以将Hermite基础函数扩展 (BFE) 与机器学习 (ML) 融合起来.
• 证明了最佳参数的存在,并计算了用于反向传播训练的分析导数.

主要成果:

• 拟议的框架有效地捕捉了因患者特定因素,疾病和测量设置而导致的VEP变化.
• 证明了VP层在分析VP信号中的表示能力.
• 成功评估了框架在基于VEP的颜色分类中的有效性.

结论:

• 开发的学习框架为VEP分析提供了一种新的方法.
• 该系统适用于手术内临床用例,可以在神经外科手术期间使用新的患者监测方法.
• 这项研究通过综合信号处理和机器学习来推进客观视觉评估和神经监测.